協調型 embodie プシステム（協調型身体化システム）とは、大規模言語モデル（LLM）によって駆動される統合的知覚、計画、行動、高度な推論を通じて複数のエージェントが協働するシステムであり、現実世界の環境において複雑で長期的な視野を持つ多目的なタスクに取り組む上で大きな可能性を示している。こうしたアルゴリズム上の進展にもかかわらず、現在のシステム上に身体化エージェントを展開する際には、長時間にわたる計画処理や通信遅延、スケーラビリティの限界、低レベル実行における高い感度といった課題が存在し、これらはシステム全体の効率性を著しく低下させる要因となっている。本研究では、協調型身体化エージェントシステムの高速化を目的として、特性分析と共同設計を統合したフレームワーク「ReCA」を提案する。ReCAは、タスク効率とシステムスケーラビリティの両面を向上することを目指している。アルゴリズムレベルでは、局所的なモデル処理を効率化することで、大きなモデルコストを軽減する。システムレベルでは、長期記憶と短期記憶を統合した二重メモリ構造、中央集権的・分散的協働を組み合わせた階層的協働計画スキーム、および計画誘導型の複数ステップ実行機構を採用し、効率的かつスケーラブルな協調型身体化エージェント計算を実現する。ハードウェアレベルでは、高レベル計画用GPUサブシステムと低レベル計画用アクセラレータサブシステムを組み合わせた異種ハードウェア構成を採用することで、効率的かつ堅牢なタスク実行を確保している。長期的な視野を持つ多目的タスクを対象とした評価において、ReCAはアプリケーションシナリオやシステム規模にわたって汎化性を示し、最先端の協調型身体化自律エージェントシステムと比較して、成功ミッション率を4.3%向上させるとともに、10.2倍の高速化を達成した。